GZIP文件格式简介

GZIP文件格式简介

GZIP最早由Jean-loup Gailly和Mark Adler创建，用于UNIX系统的文件压缩。我们在Linux中经常会用到后缀为.gz的文件，它们就是GZIP格式的。现今已经成为Internet 上使用非常普遍的一种数据压缩格式，或者说一种文件格式。HTTP协议上的GZIP编码是一种用来改进WEB应用程序性能的技术。大流量的WEB站点常常 使用GZIP压缩技术来让用户感受更快的速度。

GZIP本身只是一种文件格式，其内部通常采用DEFLATE数据格式，而DEFLATE采用LZ77压缩算法来压缩数据。

GZIP文件由1到多个“块”组成，实际上通常只有1块。每个块包含头、数据和尾三部分。块的概貌如下：

+---+---+---+---+---+---+---+---+---+---+========//========+===========//==========+---+---+---+---+---+---+---+---+
|ID1|ID2| CM|FLG|     MTIME     |XFL| OS|   额外的头字段   |       压缩的数据      |     CRC32     |     ISIZE     |
+---+---+---+---+---+---+---+---+---+---+========//========+===========//==========+---+---+---+---+---+---+---+---+

1. 头部分

ID1与ID2：各1字节。固定值，ID1 = 31 (0x1F)，ID2 = 139(0x8B)，指示GZIP格式。 CM：1字节。压缩方法。目前只有一种：CM = 8，指示DEFLATE方法。 FLG：1字节。标志。 bit 0 FTEXT - 指示文本数据 bit 1 FHCRC - 指示存在CRC16头校验字段 bit 2 FEXTRA - 指示存在可选项字段 bit 3 FNAME - 指示存在原文件名字段 bit 4 FCOMMENT - 指示存在注释字段 bit 5-7 保留 MTIME：4字节。更改时间。UINX格式。 XFL：1字节。附加的标志。当CM = 8时，XFL = 2 - 最大压缩但最慢的算法；XFL = 4 - 最快但最小压缩的算法 OS：1字节。操作系统，确切地说应该是文件系统。有下列定义： 0 - FAT文件系统 (MS-DOS, OS/2, NT/Win32) 1 - Amiga 2 - VMS/OpenVMS 3 - Unix 4 - VM/CMS 5 - Atari TOS 6 - HPFS文件系统 (OS/2, NT) 7 - Macintosh 8 - Z-System 9 - CP/M 10 - TOPS-20 11 - NTFS文件系统 (NT) 12 - QDOS 13 - Acorn RISCOS 255 - 未知 额外的头字段： (若 FLG.FEXTRA = 1) +---+---+---+---+===============//================+ |SI1|SI2| XLEN | 长度为XLEN字节的可选项 | +---+---+---+---+===============//================+ (若 FLG.FNAME = 1) +=======================//========================+ | 原文件名(以NULL结尾) | +=======================//========================+ (若 FLG.FCOMMENT = 1) +=======================//========================+ | 注释文字(只能使用iso-8859-1字符，以NULL结尾) | +=======================//========================+ (若 FLG.FHCRC = 1) +---+---+ | CRC16 | +---+---+ 存在额外的可选项时，SI1与SI2指示可选项ID，XLEN指示可选项字节数。如 SI1 = 0x41 ('A')，SI2 = 0x70 ('P')，表示可选项是Apollo文件格式的额外数据。 2. 数据部分 DEFLATE数据格式，包含一系列子数据块。子块概貌如下： +......+......+......+=============//============+ |BFINAL| BTYPE | 数据 | +......+......+......+=============//============+ BFINAL：1比特。0 - 还有后续子块；1 - 该子块是最后一块。 BTYPE：2比特。00 - 不压缩；01 - 静态Huffman编码压缩；10 - 动态Huffman编码压缩；11 - 保留。 各种情形的处理过程，请参考后面列出的RFC文档。 3. 尾部分 CRC32：4字节。原始(未压缩)数据的32位校验和。 ISIZE：4字节。原始(未压缩)数据的长度的低32位。 GZIP中字节排列顺序是LSB方式，即Little-Endian，与ZLIB中的相反。 下面是GZIP文件 gzip-1.3.3.tar.gz 格式的简要分析示意图： GZIP与ZLIB有着很深的渊源。有关ZLIB, GZIP以及DEFLATE等更加详细的说明，可参考RFC 1950-1952。从这些文档里也能找到其它的参考文献。 GZIP已成为GNU Project的一个组成部分，其官方站点为www.gzip.org。在这里可以下载到GZIP源码。目前最新版本是1.2.4，以及beta版的1.3.3。 [相关资源] GZIP官方网站：www.gzip.org RFC 1950 - ZLIB Compressed Data Format Specification version 3.3 RFC 1951 - DEFLATE Compressed Data Format Specification version 1.3 RFC 1952 - GZIP file format specification version 4.3 科脑工作室(Kernel Studio)：www.kernelstudio.com